論文の概要: Manifold-Constrained Nucleus-Level Denoising Diffusion Model for Structure-Based Drug Design
- arxiv url: http://arxiv.org/abs/2409.10584v2
- Date: Mon, 30 Sep 2024 15:09:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 20:24:12.555099
- Title: Manifold-Constrained Nucleus-Level Denoising Diffusion Model for Structure-Based Drug Design
- Title(参考訳): 構造に基づく医薬品設計のためのマニフォールド拘束核レベル拡散モデル
- Authors: Shengchao Liu, Divin Yan, Weitao Du, Weiyang Liu, Zhuoxinran Li, Hongyu Guo, Christian Borgs, Jennifer Chayes, Anima Anandkumar,
- Abstract要約: 原子は分離違反を避けるために 最小の対距離を維持する必要がある
NucleusDiff は原子核と周囲の電子雲の間の相互作用を距離制約によってモデル化する。
違反率は1000%まで減少し、結合親和性は22.16%まで向上し、構造に基づく薬物設計の最先端モデルを上回る。
- 参考スコア(独自算出の注目度): 81.95343363178662
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence models have shown great potential in structure-based drug design, generating ligands with high binding affinities. However, existing models have often overlooked a crucial physical constraint: atoms must maintain a minimum pairwise distance to avoid separation violation, a phenomenon governed by the balance of attractive and repulsive forces. To mitigate such separation violations, we propose NucleusDiff. It models the interactions between atomic nuclei and their surrounding electron clouds by enforcing the distance constraint between the nuclei and manifolds. We quantitatively evaluate NucleusDiff using the CrossDocked2020 dataset and a COVID-19 therapeutic target, demonstrating that NucleusDiff reduces violation rate by up to 100.00% and enhances binding affinity by up to 22.16%, surpassing state-of-the-art models for structure-based drug design. We also provide qualitative analysis through manifold sampling, visually confirming the effectiveness of NucleusDiff in reducing separation violations and improving binding affinities.
- Abstract(参考訳): 人工知能モデルは、高い結合親和性を持つ配位子を生成する構造に基づく薬物設計において大きな可能性を示している。
しかし、既存のモデルは、しばしば重要な物理的制約を見落としている:原子は分離違反を避けるために最小のペア距離を維持する必要があり、これは魅力的な力と反発力のバランスによって支配される現象である。
このような分離違反を軽減するために,NucleusDiffを提案する。
原子核と周囲の電子雲の間の相互作用を、原子核と多様体の間の距離制限を強制することによってモデル化する。
我々はCrossDocked2020データセットとCOVID-19治療ターゲットを用いてNucleusDiffを定量的に評価し、NucleusDiffは違反率を最大100.00%削減し、結合親和性を最大22.16%向上し、構造に基づく医薬品設計の最先端モデルを上回ることを実証した。
また,多様体サンプリングによる定性解析を行い,分離違反の低減と結合親和性の向上にNucleusDiffの有効性を視覚的に確認する。
関連論文リスト
- REBIND: Enhancing ground-state molecular conformation via force-based graph rewiring [38.77055275481021]
低次原子の非結合相互作用を捉えるために、レナード・ジョーンズポテンシャルに基づくエッジを追加することによって分子グラフを再構成する新しいフレームワークREBINDを提案する。
実験により、REBINDは様々な分子サイズで最先端の手法を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2024-10-04T16:02:33Z) - Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。
最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
論文 参考訳(メタデータ) (2024-07-01T06:10:29Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳(メタデータ) (2024-06-05T06:18:03Z) - AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。
我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。
次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
論文 参考訳(メタデータ) (2024-04-02T14:44:02Z) - DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。
DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文 参考訳(メタデータ) (2024-03-07T02:53:40Z) - DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。
腕と足場を分解した新しい拡散モデルDecompDiffを提案する。
提案手法は,高親和性分子の生成における最先端性能を実現する。
論文 参考訳(メタデータ) (2024-02-26T05:21:21Z) - Leveraging Side Information for Ligand Conformation Generation using
Diffusion-Based Approaches [12.71967232020327]
リガンド分子コンホメーション生成は、薬物発見において重要な課題である。
この問題を解決するためにディープラーニングモデルが開発されている。
これらのモデルはしばしば、本質的な側情報がないため、意味のある構造やランダム性を欠いたコンフォメーションを生成する。
論文 参考訳(メタデータ) (2023-08-02T09:56:47Z) - From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning [40.83037811977803]
Dynaformerは、タンパク質-リガンド結合親和性を予測するために開発されたグラフベースのディープラーニングモデルである。
CASF-2016ベンチマークデータセットでは、最先端のスコアとランキングの能力を示している。
熱ショックタンパク質90(HSP90)の仮想スクリーニングにおいて、20の候補を同定し、それらの結合親和性を実験的に検証する。
論文 参考訳(メタデータ) (2022-08-19T14:55:12Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - High-Throughput Virtual Screening of Small Molecule Inhibitors for
SARS-CoV-2 Protein Targets with Deep Fusion Models [3.8075853084146023]
新型コロナウイルスによる4つのタンパク質構造(SARS-CoV-2)に対して、5億以上の小分子がスクリーニングされた。
SARS-CoV-2タンパク質ターゲットに対する50億以上のドッキングポーズを評価するために、Deep Fusionの3つの強化が行われた。
論文 参考訳(メタデータ) (2021-04-09T18:18:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。